6、自适应共振理论（ART）：原理、应用与优势

自适应共振理论（ART）：原理、应用与优势

1. 自适应共振理论概述

自适应共振理论（Adaptive Resonance Theory，ART）神经网络可对实时假设检验、搜索、学习、识别和预测进行建模。自20世纪80年代以来，这些人类认知信息处理模型已成为各种神经形态技术的计算引擎。ART模型能够针对大型非平稳数据库（大数据）进行假设检验、搜索以及增量式的快速或慢速、自稳定学习、识别和预测。

2. ART设计元素

2.1 分布式和胜者全得编码实现稳定快速学习

ART系统允许快速在线学习，即长期记忆在每次输入试验中达到渐近线；而慢速学习时，每次试验中记忆的变化很小。ART系统不同类别之间的一个区别特征是编码场F2中持续激活模式的性质。早期的ART网络采用局部主义或胜者全得编码，其记忆稳定性依赖于这种架构。为了实现分布式代码表示的稳定快速学习，分布式ART（dART）引入了新的网络配置和学习定律（dInstar和dOutstar），并使用动态权重替代传统的乘法权重。
- 动态权重 ：在从F2编码节点j到F1匹配节点i的路径中，动态权重等于编码节点激活yj超过自适应阈值σji的量。
- 信号与激活 ：从F2到第i个F1节点的总信号θi是这些动态权重的总和，F1节点激活xi等于自上而下的期望θi和自下而上的输入Ai的最小值。
- 学习特点 ：当编码节点激活yj低于σji时，动态权重为零，该路径不发生学习。这种特性对于分布式代码的稳定快速学习至关重要。

以下是分布式ART（dART）的工作流程mer